当前位置：首页 > news >正文

AI知识梳理——RAG、Agent、ReAct、LangChain、LangGraph、MCP、Function Calling、JSON-RPC

news 来源：原创 2025/5/18 6:44:11

AI技术I
AI技术II

RAG

📌 高度凝练表达

RAG （检索增强生成）是一种结合信息检索与生成式人工智能的技术框架，旨在提升大型语言模型（LLM）的输出准确性和实用性。通过在生成响应前引入外部知识库的信息，RAG 使得模型能够访问训练数据之外的最新或特定领域的知识，无需重新训练模型，从而在各种情境下保持相关性和准确性。

RAG （检索增强生成）,生成响应前引入外部知识库的信息，使得模型能够访问训练数据之外的最新或特定领域的知识，从而保证输出的准确性和实用性，减小虚幻。
RAG开卷考试（外部知识库），LLM闭卷（已经训练好的数据）

🔁 RAG 的主要流程

RAG 的工作流程通常包括以下三个关键阶段：

数据准备阶段：从各种数据源（如 PDF、数据库、网页等）提取信息，并将其转换为纯文本格式。然后将长文本划分为较小的片段，以便于处理和检索。接着，使用嵌入模型（如 BERT、OpenAI Embedding 等）将文本片段转换为向量表示，并将其存储在向量数据库中，如 FAISS、Milvus、Qdrant 等。

数据准备：各类数据源->纯文本格式->较小片段->文本转向量->存储至向量数据库

检索与增强阶段：当用户提交查询时，RAG 系统将查询转换为向量表示，并在向量数据库中查找与查询向量最相似的文本片段。然后，将检索到的相关文本片段与用户查询结合，构建增强的提示（Prompt），为生成模型提供丰富的上下文信息。(NVIDIA 开发者)

检索与增强阶段：查询转化为向量->数据库中查找->相关文本与用户查询相结合->构建增强的提示

生成阶段：将增强的提示输入到大型语言模型中，生成最终的回答或内容。必要时，对生成的内容进行语法和语义上的优化，以提高可读性和准确性。

生成阶段:增强提示输入到大模型->生成最终的回答获内容

📊 RAG 流程图（Mermaid 格式）

以下是 RAG 的主要流程图，采用 Mermaid 语法表示：

RAG 技术广泛应用于智能问答系统、企业知识管理、法律和医疗文档分析等领域，特别适用于需要高准确性和实时更新的场景。

Agenet

Agent

是什么

在这里插入图片描述

LLM：负责理解输入、推理并生成输出
记忆：存储和管理对话历史，实现上下文感知的交互
提示模板（Prompt Template）：构建输入提示，引导 LLM 进行特定任务（也可理解为规划，根据提示动态规划路径）
工具：外部功能模块，如搜索引擎、API 接口、数据库查询等，Agent 可根据需要调用
执行器（Agent Executor）：协调各组件的运行，管理整个任务的执行流程

🔁Agent架构流程图

接收输入：用户提交查询或命令。
生成提示：使用提示模板构建输入，引导 LLM 进行处理。
记忆知识库调用、匹配与检索🔍
推理决策：LLM 分析任务需求，决定是否需要调用外部工具。
执行操作：根据决策，调用相应的工具执行任务。
处理结果：LLM 处理工具返回的结果，判断是否完成任务，或需进一步操作。
返回输出：生成最终响应，返回给用户。

在这里插入图片描述

基于COZE平台搭建Agent示例

在这里插入图片描述

ReAct （推理+行动）

为什么要ReAct

LLM推理能力（例如，思路链提示）和行动能力（例如，行动计划生成）主要被作为独立的主题进行研究。在本文中，我们探索如何使用 LLM 以交错的方式生成推理轨迹和特定于任务的操作，从而实现两者之间的更大协同作用：推理轨迹帮助模型归纳、跟踪和更新行动计划以及处理异常；而操作则允许模型与外部来源（例如，知识库或环境）交互，以收集更多信息。这种交替进行的思考与行动流程，使模型在处理多步推理或需要外部信息的任务时，表现得更加灵活和高效。
在这里插入图片描述

🔁 ReAct 是什么

ReAct（Reasoning + Acting）是一种结合了“推理”和“行动”的智能代理机制。它使大型语言模型（LLM）在处理复杂任务时，能够像人类一样，先进行思考，再采取行动，从而提高响应的准确性和可靠性
在这里插入图片描述

🔁 ReAct 的工作流程

ReAct 代理通过以下循环步骤实现智能决策：

Thought（思考）：模型分析当前问题，形成推理路径。
Action（行动）：根据推理结果，选择并调用外部工具（如搜索引擎、计算器等）。
Observation（观察）：获取工具返回的结果，作为新的信息输入。
循环迭代：重复上述步骤，直到得出最终答案。

在这里插入图片描述

✅ 使用 ReAct 的优势

增强推理能力：通过显式的思考步骤，提高模型的逻辑推理能力。
动态工具调用：根据任务需求，灵活选择并调用合适的外部工具。
减少幻觉现象：通过实际的工具反馈，降低模型生成虚假信息的风险。
提升可解释性：每一步的思考和行动都有迹可循，便于调试和优化。

Langchain

是什么

LangChain 是一个开源框架，旨在简化基于大型语言模型（LLM）的应用程序的开发。
在这里插入图片描述

核心组件

模型（Model）：封装对 LLM 的调用，支持多种模型如 OpenAI、Anthropic、Hugging Face 等。
提示模板（Prompt Templates）：用于构建和管理发送给 LLM 的输入提示，支持动态变量插值。
链（Chains）：将多个组件组合成一个处理流程，实现复杂任务的自动化。
代理（Agents）：具备决策能力的组件，能够根据任务动态选择链或工具执行。
记忆（Memory）：用于存储和管理对话历史，实现上下文感知的交互。
工具（Tools）：集成外部 API 或功能模块，如搜索引擎、计算器等，扩展 LLM 的能力。

🏗️ 核心架构

核心架构
LangChain 的架构设计强调模块化和可扩展性，主要包括：

组件层（Components）：提供与 LLM 交互的基本构建块，如模型、提示模板等。
链层（Chains）：将多个组件按特定逻辑组合，形成处理流程。
代理层（Agents）：在链的基础上增加决策逻辑，根据任务动态选择执行路径。
集成层（Integrations）：支持与外部数据源、工具和服务的集成，增强应用功能

在这里插入图片描述

架构流程图

在这里插入图片描述

LangGraph

LangGraph 是 LangChain 生态系统中的一个扩展库，旨在通过图结构（Graph）来构建复杂的、有状态的多角色 LLM 应用，适用于以下场景：

多轮对话代理和聊天机器人：处理复杂的对话流程，支持上下文管理和多轮交互。
多智能体协作系统：协调多个智能体共同完成任务，如信息检索、数据处理等。
任务规划和执行：实现任务的计划、执行、结果反馈和计划更新的完整流程。
复杂工作流管理：构建包含条件分支、循环和并行处理的复杂工作流程。
实时数据处理和分析：处理实时数据流，进行动态决策和响应。

LangGraph 通过状态图（StateGraph）和消息传递机制，实现了灵活的流程控制和状态管理，适合构建复杂的 AI 应用。
在这里插入图片描述

MCP

在前端开发面试中，向面试官简洁地介绍 MCP（Model Context Protocol，模型上下文协议）可以采用以下方式：

📌 什么是 MCP 协议？

MCP 是由 Anthropic 于 2024 年提出的一项开放标准，旨在为大型语言模型（LLM）提供一种标准化的方式，以连接和交互外部数据源、工具和服务。它被誉为 AI 系统的“USB-C 接口”，使得不同的 AI 模型能够以统一的方式访问各种外部资源，从而增强其功能和应用范围。

🧩 MCP 架构的核心组件

MCP 的架构基于客户端-服务器模型，主要包含以下核心组件：

MCP 主机（Host）：运行 LLM 的应用程序，如聊天机器人、IDE 等。
MCP 客户端（Client）：嵌入在主机中的连接器，负责与 MCP 服务器通信。
MCP 服务器（Server）：提供具体功能的服务端，暴露资源、提示模板和工具等能力。
本地数据源：如文件系统、数据库等，MCP 服务器可以访问这些资源以提供上下文信息。

这种模块化架构使得 AI 应用可以灵活地与多种外部资源集成，提升了系统的可扩展性和维护性。

🔄 MCP 协议支持的两种模式

MCP 协议支持以下两种通信模式：(维基百科)

请求-响应模式：类似传统的函数调用，LLM 发起请求，MCP 服务器返回结果。
持续会话模式：建立持久连接，允许 LLM 与 MCP 服务器之间进行多轮交互，适用于需要实时更新和复杂交互的场景。

这两种模式使得 MCP 能够适应不同复杂度的应用需求，从简单的数据查询到复杂的任务执行。
在这里插入图片描述

🔍 MCP 与 Function Calling 的区别

Function Calling的出现解决了模型无法与外部工具交互的问题，但各家的接口不统一，导致生态碎片化。MCP协议作为标准化协议，实现了即插即用，解决了生态壁垒的问题。

特性	MCP 协议	Function Calling
通信模式	支持持续会话，适合复杂交互	单次请求-响应，适合简单调用
集成复杂度	一次集成，多处复用，降低维护成本	每个功能需单独集成，维护成本高
上下文管理	支持上下文信息的持续传递和更新	每次调用需重新提供上下文信息
适用场景	多工具协同、实时数据访问、复杂任务执行	简单的数据查询或单一功能调用	(维基百科)